北航校友在 GitHub 开源明朝版 “今日头条” 后火了，这个 AI 脑洞太大...

公众号关注 “GitHubDaily”

设为 “星标”，每天带你逛 GitHub！

下面这段明朝万历年间的 “今日头条”，你能看懂吗？

这条明朝新闻所讲的，其实是：

小本生意免税条约未能落实，小商贩被严重剥削，以致百姓聚众闹事并火烧衙门，造成多人伤亡。王炀抢救出公章。

还有另外一条：

这条新闻说的是：

陕西天鼓鸣。

这些明朝的 “一句话” 新闻，都是一个名叫 HistSumm 的 AI 算法，根据文言文提炼出来的摘要。

生成文本摘要的 NLP 见得多了，古汉语摘要总结还是第一次。这项研究来自英国谢菲尔德大学的北航校友，以及北航计算机系的团队，和英国开放大学。

这项研究最神奇的是，用来处理文言文的算法，是用现代汉语数据训练的。

这个 AI，会写明朝新闻

这篇论文题目是 Summarising Historical Text in Modern Languages，文中提出的核心算法名为 HistSumm。

研究团队分别以古德语和古汉语作为目标语言，来实现算法的摘要提取。

其中，古汉语部分的测试结果，选用了明朝历史文献。

《万历邸抄》，是明万历年间的 “今日头条”，抄录自当时的官方 “邸报”。内容包括皇帝诏谕、民生百态、军事外交等等。

团队使用 HistSumm，对《万历邸抄》中的 100 多段文言文进行了摘要提炼。

比如这一段：

其中，story 是原文，Expert 是人类专家给出的摘要。

HistSumm 在 “相同词汇对”（Identical Mapping）的映射方法下，给出的结果是：

宋应昌撤兵自朝鲜回京。

IdMap+CONV（CONV 指简繁汉字转换增强语料库训练）给出的结果也是：

宋应昌撤兵自朝鲜回京。

怎么样，摘要是不是能直接上标题了？

再看另一个例子：

HistSumm 给出的摘要为：

高拱不忠，已死了，他妻还来乞恩，不准他。
高拱不忠，不准他妻来乞恩。

以上两个结果也分别是 IdMap、IdMap+CONV 给出的结果。

可以看出，算法对于一段文言文主要的人物、事件、关系都能准确把握，只是偶然会遗漏一些细节。

在与最出色的跨语言学习模型 XLM 的结果对比中，HistSumm 的表现都有所超越：

△结果分别在 ROUGE1、ROUGE2、ROUGEL 基准下得到

实验方法与思路

对古汉语进行摘要历练的 HistSumm，它的训练数据，其实大部分都是现代汉语。

这是因为，可供模型训练的古汉语数据集，实在太少了。

于是，研究团队构建了一个跨语言迁移学习框架。

第一步，训练模型的现代和古汉语单词嵌入

对于像中文这样的表意语言，基于笔画（类似于字母语言的单词信息）训练的词嵌入是实现最佳性能的途径。因此团队利用笔画信息来提取汉字的特征向量。

此外，还有一点很重要。与简化字（在训练资源中占主导）相比，繁体字通常有更丰富的笔画，例如，“葉” 字，包含’艹’（植物）和’木’（木）的语义相关成分，而它的简化版本（’叶’）则没有。

繁体字的这些特性，有利于基于笔画的嵌入方式。所以为了提高模型的性能，团队还对繁体化的汉字进行了额外的实验。

建立特征向量空间

接下来，团队为模型建立了两个语义空间，空间中的特征向量既来自现代汉语，也有古汉语。

对于特征向量，主要采取两种引导策略：完全无监督（UspMap）的方式和相同词汇对（IdMap）方式。

前者只依赖于输入向量之间的拓扑相似性，而后者则额外利用古今同意的词作为依据。

使用现代汉语数据集训练

训练阶段，团队使用了现代汉语数据集 CSTS，训练了一个只接受现代汉语输入的总结器。

编码器的嵌入权重，在建立特征空间时，用相应的跨语言词向量的现代语分区进行初始化。

而解码器的嵌入权重则是随机初始化的，可以通过反向传播更新。

最后，就是模型的收敛。

团队直接将编码器的嵌入权重替换为向量空间中的古汉语特征向量，得到一个新的模型。这个模型可以用古汉语输入，但输出现代汉语句子，并且整个过程不需要任何外部并行监督。

简单的总结一下，团队让模型能理解古文的关键，是在特征向量空间中，建立互相联系的古汉语 - 现代汉语词汇对。然后再用现代汉语数据训练模型，之后替换掉对应的特征向量。

北航校友科研成果

本研究由谢菲尔德大学主导，第一作者 Xutan Peng，目前是英国谢菲尔德大学在读博士生，研究方向是自然语言处。

Xutan Peng 本科就读于北京航空航天大学计算机系。

而本文的共同作者中，也有来自北航计算机系的 Yi Zheng。

论文的通讯作者，谢菲尔德大学的 Lin Chenghua 副教授，本科也毕业于北航计算机系。

本文另一作者 Advaith Siddharthan 博士，是英国开放大学 Knowledge Media Institute 的研究院。

论文地址：
https://arxiv.org/abs/2101.10759

开源代码：
https://github.com/Pzoom522/HistSumm